Qwen3-VL 的整体架构
哪些公司问过
答案要点
- 三段式:ViT 类视觉编码器、投影合并模块、Qwen3 语言模型
- 视觉编码器支持动态分辨率,把图像或视频帧切成 patch 得到视觉 token
- 投影模块压缩 token 并对齐到语言模型嵌入空间
- 改进:交错式多模态旋转位置编码,更有利于长视频
- DeepStack 融合多层视觉特征;视频用文本时间戳做时间对齐
易错点
- 只说是 ViT 加 LLM,不提投影和位置编码
- 把 MoE 说成视觉部分的结构
- 不了解动态分辨率
面试官常见追问
- 动态分辨率有什么好处?
- DeepStack 解决什么问题?
- 视觉 token 太多怎么办?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。